CN111461463B - 一种基于tcn-bp的短期负荷预测方法、系统及设备 - Google Patents
一种基于tcn-bp的短期负荷预测方法、系统及设备 Download PDFInfo
- Publication number
- CN111461463B CN111461463B CN202010369892.8A CN202010369892A CN111461463B CN 111461463 B CN111461463 B CN 111461463B CN 202010369892 A CN202010369892 A CN 202010369892A CN 111461463 B CN111461463 B CN 111461463B
- Authority
- CN
- China
- Prior art keywords
- data
- temperature
- short
- tcn
- load prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000009467 reduction Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012937 correction Methods 0.000 claims description 26
- 230000001364 causal effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000000295 complement effect Effects 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 230000002354 daily effect Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种基于TCN‑BP的短期负荷预测方法、系统及设备，包括如下步骤：采集负荷数据及主要气象因素数据；对数据进行预处理和灰色关联度分析；将气象因素数据分为时序性和非时序性数据，对历史时序性数据进行TCN降维处理；以降维处理后的数据和非时序性数据为输入，负荷数据为输出，代入BP神经网络进行训练直到网络收敛；利用训练完成的反传网络完成负荷预测，输出负荷预测数据。本发明基于传统的BP神经网络，融合TCN时间卷积神经网络对短期负荷进行预测，可以克服传统BP神经网络基于梯度训练的缺点，同时能够有效提高收敛速度，可有效提高短期负荷预测的精度。
Description
技术领域
本发明属于电力负荷预测技术领域，特别涉及一种基于TCN-BP的短期负荷预测方法、系统及设备。
背景技术
随着电力工业的迅速发展以及智能电网技术的普及，电力负荷预测在发电和配电等能源规划中发挥着重要作用，为电力市场化改革以及能源互联网进一步推进提供重要的技术支撑，电力系统的负荷预测，尤其是短期负荷预测，是电力调度部门的用电计划、电力市场的发电报价的重要依据以及电网安全稳定运行的重要前提。电网运行的安全性、经济性以及电能质量的好坏将直接依赖于电力系统短期负荷预测精度的高低，特别是随着社会电力市场的完善，短期负荷预测在电力系统调度运营部门中扮演着越来越重要的角色。
发明内容
发明目的：针对现有技术中存在的问题，本发明公开了一种基于TCN-BP的短期负荷预测方法、系统及设备，能够方便、灵活、准确和有效的预测未来负荷模型，有利于电力系统安全、稳定运行。
技术方案：本发明采用如下技术方案：一种基于TCN-BP的短期负荷预测方法，其特征在于，包括如下步骤：
步骤A、采集负荷数据及主要气象因素数据；
步骤B、对数据进行预处理，并采用灰色关联分析法对数据进行分析，剔除与负荷关联度较低的气象因素；
步骤C、采用离散化温度修正模型对日最高温度、日平均温度和日最低温度进行修正；
步骤D、将气象因素数据分为时序性和非时序性数据，对时序性数据进行TCN降维处理；
步骤E、以临近训练日的负荷数据、训练日多种气象因素的非时序性数据以及经过降维处理后的时序性数据为输入，训练日的负荷数据为输出，代入BP神经网络进行训练直到BP神经网络收敛；
步骤F、利用训练完成的BP神经网络完成负荷预测，输入临近待预测日的负荷数据和待预测日的多种气象因素数据，经过时序性和非时序性数据划分、时序性数据的TCN降维和BP神经网络后，输出待预测日的负荷预测数据。
优选的，所述步骤A中，气象因素包括日最高温度、日平均温度、日最低温度和降雨量。
优选的，所述步骤B中，预处理包括缺失数据补全处理和归一化处理，其中，
缺失数据补全处理采取平均相邻负载方法，计算方法如下：
其中，xi-1和xi+1分别为相邻时刻i-1和i+1的数据，x′i为时刻i的估计数据；若实际数据xi和估计数据x′i满足其中σ为事先设定的阈值，则时刻i的数据为xi；否则，时刻i的数据由xi改为x′i；
归一化处理采取Min-Max方法，计算方法如下：
其中，为归一化后的数据，xi为原始数据，xmax和xmin分别是最大和最小的原始数据。
优选的，所述步骤B中，灰色关联分析法过程如下：
步骤S1、确定反映系统行为特征的参考数列和影响系统行为的比较数列，其中，参考数列为负荷数据，比较数列为四种气象因素数据；
步骤S2、利用均值化处理，将比较数列中每种类型的气象因素数据进行无量纲化；
步骤S3、计算关联系数和关联度，根据关联度的大小筛选出主要的气象因素，并剔除掉关联度小的气象因素。
优选的，所述步骤C中，离散化温度修正模型公式为
其中，T为预测日修正前的温度，T′为修正后的温度，Ti为预测日前i天的温度，N为连续的高温天数，ki为预测日前i天的温度累积效应系数，Tmin为产生温度累积效应的最低温度。
优选的，所述步骤D中，包括如下步骤：
步骤D1、构建因果扩张卷积模型，将预处理后的数据分别输入两个不同的因果扩张卷积模型中进行卷积处理；
步骤D2、将因果扩张卷积模型处理后的两个结果连接形成残差块；
步骤D3、将残差块进行堆叠，得到时间卷积网络；
步骤D4、将时序性数据输入时间卷积网络进行降维处理。
优选的，所述步骤D1中，扩张卷积核为：
其中，x为输入的时间序列；*为卷积运算；k为卷积核大小；d为扩张系数，与网络层数n成指数关系。
优选的，所述步骤D2中，残差连接公式为o＝Activation(x+F(x))。
一种基于TCN-BP的短期负荷预测系统，其特征在于，包括采集模块、关联度模块、分解模块、修正模块、降维模块和预测模块，其中，
采集模块用于采集负荷数据和气象因素数据；
关联度模块用于对数据进行预处理，并对数据进行关联度分析；
分解模块用于将保留的气象数据分为时序性和非时序性气象数据；
修正模块用于利用温度修正模型对最高温度、平均温度和最低温度进行温度修正；
降维模块用于对经关联度分析和温度修正后的数据进行降维处理；
预测模块用于BP神经网络对降维后的时序性数据以及非时序性数据进行训练直到网络收敛再反传完成负荷预测，输出负荷预测数据。
一种短期负荷预测设备，其特征在于，所述设备包括处理器和存储器，其中，
所述存储器用于存储程序，并将所述程序传输给所述处理器执行；
所述处理器用于根据所述程序中的指令执行权利要求1至7任一所述的短期负荷预测方法。
有益效果：本发明具有以下有益效果：
本发明提供一种基于TCN-BP的短期负荷预测方法、系统及设备，基于传统的BP神经网络，融合TCN时间卷积神经网络对短期负荷进行预测，对时序性数据进行TCN降维处理，通过因果扩张卷积模型，对数据进行因果卷积处理和扩张卷积处理，再交由残差卷积处理，简化学习目标和难度，用BP算法对降维处理后的数据以及非时序性数据进行训练。该方法可以克服传统BP神经网络基于梯度训练的缺点，同时能够有效提高收敛速度，可有效提高短期负荷预测的精度。
附图说明
图1为本发明的整体方法流程图；
图2为本发明中TCN模型的结构示意图，其中，图(2a)为TCN模型的因果扩张卷积模型，图(2b)为TCN模型的残差块，图(2c)为残差块连接示意图；
图3为本发明中BP神经网络的结构示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
BP(back propagation)神经网络是目前应用最广泛、最成功的神经网络之一。BP神经网络无论在网络理论还是在性能方面已比较成熟，其突出优点就是具有很强的非线性映射能力和柔性的网络结构。但BP神经网络也存在以下的一些主要缺陷，例如训练时间长、容易陷入局部最小值、收敛速度慢、完全不能训练等，这些缺点都限制了它的进一步应用。
TCN(Temporal Convolutional Network)时间卷积网络是一种基于卷积神经网络的、能够处理时间序列数据的网络结构。TCN可以更充分的提取短期负荷数据的特征，具有更佳的非线性映射能力。
基于传统的BP神经网络，融合TCN时间卷积神经网络对短期负荷进行预测，该方法可以克服传统BP神经网络基于梯度训练的缺点，同时能够有效提高收敛速度，可有效提高短期负荷预测的精度。
基于以上算法，本发明公开了一种基于TCN-BP的短期负荷预测方法，如图1所示，包括以下步骤：
步骤A、采集负荷数据及主要气象因素数据。
每天设置96个采样节点，时间间隔为15分钟，在每个采样节点采集的数据主要选取历史日各时刻负荷值以及对应时刻负荷的气象影响因素，气象影响因素包括日最高温度、日平均温度、日最低温度和降雨量。
步骤B、对数据进行预处理，并采用关联度分析对采集到的四个气象因素数据进行分析，剔除与负荷关联度较低的气象因素，保留与负荷关联度较高的气象因素。
预处理方法包括缺失数据补全处理和归一化处理，其中：
缺失数据补全处理为利用平均相邻数据以替换数据异常值，计算方法为：
其中，xi-1和xi+1分别为时刻i的相邻时刻i-1和i+1的数据，x′i为时刻i的估计数据；
设时刻i的实际数据为xi，若其中σ为事先设定的阈值，则时刻i的数据为xi，保持不变；否则，时刻i的数据由xi改为x′i。
归一化处理使用Min-Max方法对缺失数据补全处理过的数据进行标准化，将数据转化为[0，1]，计算公式为：
其中，为归一化后的数据，xi为原始数据，xmax和xmin分别是最大和最小的原始数据。
对于两个系统之间的因素，其随时间或者不同对象而变化的关联性大小的量度，称为关联度。在系统发展过程中，若两个因素变化的趋势有一致性，即同步变化程度较高，即意为关联度较高。现有的关联分析法有很多，但是考虑数据的特点，这里采用灰色关联分析法进行关联度分析。
具体步骤如下：
确定反映系统行为特征的参考数列和影响系统行为的比较数列，参考数列为负荷数据，记为Y＝Y(k)，k＝1，2，3...n；比较数列为四个气象因素数据，记为
Xi＝Xi(k)，k＝1，2...n，i＝1，2，3，4。
将变量无量纲化，由于系统中各气象因素数据可能量纲不同，不便于比较，利用均值化处理：其中k对应时间，i对应比较数列中的一行(即一个气象因素)。
计算关联系数：
其中，y(k)为参考数列中的数据。
记Δi(k)＝|y(k)-xi′(k)|，则
其中，ρ∈(0，∞)，称为分辨系数，通常取0.5。
计算关联度ri，公式为根据关联度的大小筛选出主要的气象因素，并剔除掉关联度小的气象因素。
步骤C、采用离散化温度修正模型对日最高温度、日平均温度和日最低温度进行修正，具体过程如下：
将温度指标划分区间，不同温度区间下对应的温度累积效应强度是不一样的，计算不同温度区间内的温度累积效应系数k。
采用曲线拟合的方式，建立温度和日最大负荷的函数f(T，L)，通过离散化温度修正模型公式将f(T，L)变形成f(k，L)，利用最小二乘算法求解不同温度下的k值，求解公式为：min y＝f(T，L)＝f(k，L)。
上述式中，T为预测日修正前的温度指标即日最高温度、日平均温度和日最低温度，T′为修正后的温度，Ti为预测日前i天的温度，N为连续的高温天数，ki为预测日前i天的温度累积效应系数，Tmin为产生温度累积效应的最低温度。
步骤D、将已知的气象因素数据分为时序性和非时序性数据，对时序性数据进行TCN降维处理，具体操作方法如下：
步骤Dl、构建因果扩张卷积模型，将预处理后的数据分别输入两个不同的因果扩张卷积模型中进行卷积处理；
步骤D2、将因果扩张卷积模型处理后的两个结果连接形成残差块；
步骤D3、将残差块进行堆叠，得到时间卷积网络；
步骤D4、将时序性数据输入时间卷积网络进行降维处理。
TCN的模型结构图如图2所示，定义：模型输入序列为：x0，x1，…，xt；模型输出序列为：y0，y1，…，yt。
TCN与一维卷积最大的区别就在于，其主要利用扩张卷积获取整个序列的全局信息，使每一层隐层都和输入序列大小一样，并且设置了残差卷积的跳层连接，以及1×1的卷积操作。
扩张卷积核的一般形式为：
式中：x为输入的时间序列；*为卷积运算；k为卷积核大小；d为扩张系数，与网络层数n成指数关系。
残差连接使用公式描述为：
o＝Activation(x+F(x))
其中，o为残差输出，Activation为激活函数，x为输入的时间序列，F(x)为扩张卷积结果。
为获得更大的感受野，需增加网络深度n，借助构造残差单元来训练更深的网络。残差卷积就是把下层特征拿到高层以增强准确率。
1×1卷积是用来降维的。TCN直接把较下层的特征图跳层连接到上层，对应的每个单元Cell的特征图数量不一致，从而不能直接进行跳层特征图加和操作。于是，为了两个层加和时特征图数量吻合，用1×1卷积做降维操作。
步骤E、用BP算法对降维处理后的数据以及非时序性数据进行训练直到BP神经网络收敛。
应用BP神经网络，建立了充分考虑各种气象影响因素的负荷模型，在输入变量中考虑了临近训练日负荷数据和训练日多种气象因素的非时序性数据以及经过降维处理后的时序性数据，在期望输出变量中考虑了训练日的负荷数据，训练直到BP神经网络收敛。
如图3所示，BP神经网络的计算过程由正向计算过程和反向计算过程组成：正向传播过程，输入模式从输入层经隐含层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态；如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值和阈值，不断地学习和修正使误差信号达到预期期望为止。
1)信号正向传播
BP神经网络输入信号的正向传播过程如下：
式中：yj为隐含层输出；ok为输出层输出；ωij为输入层到隐含层权值，bij为阈值；ωjk为隐含层到输出层权值，bjk为阈值。
输出误差E表示输出层的输出向量O和期望输出向量D之间的距离。
2)信号反向传播
当误差信号发生反向传播时，首先输出层计算输出误差，依次计算每一层神经元的输出误差，并结合每一层的误差下降趋势调整每一层的权值和阈值，以此来不断减小误差。
式中：η为学习率，一般取为0～1之间的常数，学习率在很大程度上都会影响BP神经网络算法的收敛速度：当学习率过小时，神经网络的收敛速度会很慢；当学习率过大时，神经网络模型会发生不稳定的情况。因此要找到一个合适的学习率来保证神经网络算法的稳定性和较快的收敛速度。
步骤F、利用训练完成的BP神经网络完成负荷预测，输入临近待预测日的负荷数据和待预测日的多种气象因素数据，经过时序性和时序性数据划分、时序性数据的TCN降维和BP神经网络后，输出待预测日的负荷预测数据。
本发明公开了一种基于TCN-BP的短期负荷预测系统，包括采集模块、关联度模块、分解模块、修正模块、降维模块和预测模块，其中，
采集模块用于采集负荷数据和气象因素数据；
关联度模块用于对数据进行预处理，并对数据进行关联度分析；
分解模块用于将保留的气象数据分为时序性和非时序性气象数据；
修正模块用于利用温度修正模型对最高温度、平均温度和最低温度进行温度修正；
降维模块用于对经关联度分析和温度修正后的数据进行降维处理；
预测模块用于BP神经网络对降维后的时序性数据以及非时序性数据进行训练直到网络收敛再反传完成负荷预测，输出负荷预测数据。
本发明公开了一种短期负荷预测设备，包括处理器和存储器，其中，
所述存储器用于存储程序，并将所述程序传输给所述处理器执行；
所述处理器用于根据所述程序中的指令执行上述的短期负荷预测方法。
本发明公开了一种计算机可读存储介质，用于存储程序，所述程序用于执行上述的短期负荷预测方法。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于TCN-BP的短期负荷预测方法，其特征在于，包括如下步骤：
步骤A、采集负荷数据及主要气象因素数据；
步骤B、对数据进行预处理，并采用灰色关联分析法对数据进行分析，剔除与负荷关联度较低的气象因素；
步骤C、采用离散化温度修正模型对日最高温度、日平均温度和日最低温度进行修正；
步骤D、将气象因素数据分为时序性和非时序性数据，对时序性数据进行TCN降维处理；包括如下步骤：
步骤D1、构建因果扩张卷积模型，将预处理后的数据分别输入两个不同的因果扩张卷积模型中进行卷积处理；
步骤D2、将因果扩张卷积模型处理后的两个结果连接形成残差块；
步骤D3、将残差块进行堆叠，得到时间卷积网络；
步骤D4、将时序性数据输入时间卷积网络进行降维处理；
步骤E、以临近训练日的负荷数据、训练日多种气象因素的非时序性数据以及经过降维处理后的时序性数据为输入，训练日的负荷数据为输出，代入BP神经网络进行训练直到BP神经网络收敛；
步骤F、利用训练完成的BP神经网络完成负荷预测，输入临近待预测日的负荷数据和待预测日的多种气象因素数据，经过时序性和非时序性数据划分、时序性数据的TCN降维和BP神经网络后，输出待预测日的负荷预测数据。
2.根据权利要求1所述的一种基于TCN-BP的短期负荷预测方法，其特征在于，所述步骤A中，气象因素包括日最高温度、日平均温度、日最低温度和降雨量。
3.根据权利要求1所述的一种基于TCN-BP的短期负荷预测方法，其特征在于，所述步骤B中，预处理包括缺失数据补全处理和归一化处理，其中，
缺失数据补全处理采取平均相邻负载方法，计算方法如下：
其中，xi-1和xi+1分别为相邻时刻i-1和i+1的数据，x'i为时刻i的估计数据；若实际数据xi和估计数据x'i满足其中σ为事先设定的阈值，则时刻i的数据为xi；否则，时刻i的数据由xi改为x'i；
归一化处理采取Min-Max方法，计算方法如下：
其中，为归一化后的数据，xi为原始数据，xmax和xmin分别是最大和最小的原始数据。
4.根据权利要求1所述的一种基于TCN-BP的短期负荷预测方法，其特征在于，所述步骤B中，灰色关联分析法过程如下：
步骤S1、确定反映系统行为特征的参考数列和影响系统行为的比较数列，其中，参考数列为负荷数据，比较数列为四种气象因素数据；
步骤S2、利用均值化处理，将比较数列中每种类型的气象因素数据进行无量纲化；
步骤S3、计算关联系数和关联度，根据关联度的大小筛选出主要的气象因素，并剔除掉关联度小的气象因素。
5.根据权利要求1所述的一种基于TCN-BP的短期负荷预测方法，其特征在于，所述步骤C中，离散化温度修正模型公式为
其中，T为预测日修正前的温度，T′为修正后的温度，Ti为预测日前i天的温度，N为连续的高温天数，ki为预测日前i天的温度累积效应系数，Tmin为产生温度累积效应的最低温度。
6.根据权利要求1所述的一种基于TCN-BP的短期负荷预测方法，其特征在于，所述步骤D1中，扩张卷积核为：
其中，x为输入的时间序列；*为卷积运算；k为卷积核大小；d为扩张系数，与网络层数n成指数关系。
7.根据权利要求1所述的一种基于TCN-BP的短期负荷预测方法，其特征在于，所述步骤D2中，残差连接公式为o＝Activation(x+F(x))。
8.一种实现权利要求1至7任一项所述的基于TCN-BP的短期负荷预测方法的系统，其特征在于，包括采集模块、关联度模块、分解模块、修正模块、降维模块和预测模块，其中，
采集模块用于采集负荷数据和气象因素数据；
关联度模块用于对数据进行预处理，并对数据进行关联度分析；
分解模块用于将保留的气象数据分为时序性和非时序性气象数据；
修正模块用于利用温度修正模型对最高温度、平均温度和最低温度进行温度修正；
降维模块用于对经关联度分析和温度修正后的数据进行降维处理；
预测模块用于BP神经网络对降维后的时序性数据以及非时序性数据进行训练直到网络收敛再反传完成负荷预测，输出负荷预测数据。
9.一种短期负荷预测设备，其特征在于，所述设备包括处理器和存储器，其中，
所述存储器用于存储程序，并将所述程序传输给所述处理器执行；
所述处理器用于根据所述程序中的指令执行权利要求1至7任一所述的短期负荷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010369892.8A CN111461463B (zh) | 2020-04-30 | 2020-04-30 | 一种基于tcn-bp的短期负荷预测方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010369892.8A CN111461463B (zh) | 2020-04-30 | 2020-04-30 | 一种基于tcn-bp的短期负荷预测方法、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111461463A CN111461463A (zh) | 2020-07-28 |
| CN111461463B true CN111461463B (zh) | 2023-11-24 |
Family
ID=71679598
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010369892.8A Active CN111461463B (zh) | 2020-04-30 | 2020-04-30 | 一种基于tcn-bp的短期负荷预测方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111461463B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112613641B (zh) * | 2020-12-07 | 2022-04-15 | 河北工业大学 | 一种基于特征分解的短期电负荷组合预测方法 |
| CN112734137B (zh) * | 2021-01-27 | 2022-12-16 | 国网电力科学研究院武汉能效测评有限公司 | 基于智能电表数据的短期楼宇电力负荷预测方法及系统 |
| CN113505534B (zh) * | 2021-07-07 | 2023-09-15 | 南京工程学院 | 一种考虑需求响应的负荷预测方法 |
| CN113435665A (zh) * | 2021-07-19 | 2021-09-24 | 西安建筑科技大学 | 一种面向功能分区的商场冷负荷预测方法及系统 |
| CN114048685A (zh) * | 2021-11-25 | 2022-02-15 | 成都理工大学 | 基于灰色关联分析的时间卷积网络电磁响应值预测方法 |
| CN114662624B (zh) * | 2022-05-25 | 2022-09-13 | 浙江大学 | 基于可再训练孪生网络的非侵入式负荷识别方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109426889A (zh) * | 2017-09-01 | 2019-03-05 | 南京理工大学 | 基于kpca与改进神经网络结合的短期负荷预测方法 |
| CN109829587A (zh) * | 2019-02-12 | 2019-05-31 | 国网山东省电力公司电力科学研究院 | 基于深度lstm网络的小区域级超短期负荷预测及可视化方法 |
| CN109978237A (zh) * | 2019-03-04 | 2019-07-05 | 三峡大学 | 一种基于精细化气象数据的地区电网短期负荷预测系统 |
| CN110222888A (zh) * | 2019-05-27 | 2019-09-10 | 深圳供电局有限公司 | 一种基于bp神经网络的日平均电力负荷预测方法 |
| CN110245801A (zh) * | 2019-06-19 | 2019-09-17 | 中国电力科学研究院有限公司 | 一种基于组合挖掘模型的电力负荷预测方法及系统 |
| CN111012336A (zh) * | 2019-12-06 | 2020-04-17 | 重庆邮电大学 | 时空特征融合的并行卷积网络运动想象脑电图分类方法 |
-
2020
- 2020-04-30 CN CN202010369892.8A patent/CN111461463B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109426889A (zh) * | 2017-09-01 | 2019-03-05 | 南京理工大学 | 基于kpca与改进神经网络结合的短期负荷预测方法 |
| CN109829587A (zh) * | 2019-02-12 | 2019-05-31 | 国网山东省电力公司电力科学研究院 | 基于深度lstm网络的小区域级超短期负荷预测及可视化方法 |
| CN109978237A (zh) * | 2019-03-04 | 2019-07-05 | 三峡大学 | 一种基于精细化气象数据的地区电网短期负荷预测系统 |
| CN110222888A (zh) * | 2019-05-27 | 2019-09-10 | 深圳供电局有限公司 | 一种基于bp神经网络的日平均电力负荷预测方法 |
| CN110245801A (zh) * | 2019-06-19 | 2019-09-17 | 中国电力科学研究院有限公司 | 一种基于组合挖掘模型的电力负荷预测方法及系统 |
| CN111012336A (zh) * | 2019-12-06 | 2020-04-17 | 重庆邮电大学 | 时空特征融合的并行卷积网络运动想象脑电图分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘伟 等.《基于RBF神经网络采用混合粒子群优化的电力负荷短期预测》.《2007年中国智能自动化会议》.2007,全文 . * |
| 李忻贤.《浅谈电力负荷预测》.《 山东电机工程学会第四届供电专业学术交流会》.2007,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111461463A (zh) | 2020-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
| Ma et al. | A hybrid attention-based deep learning approach for wind power prediction | |
| CN106022521B (zh) | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 | |
| CN110580543A (zh) | 一种基于深度信念网络的电力负荷预测方法及系统 | |
| CN111815033A (zh) | 一种基于rcnn和气象时序特征的海上风电功率预测方法 | |
| CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
| CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| Li et al. | Multi-step ahead wind speed forecasting approach coupling maximal overlap discrete wavelet transform, improved grey wolf optimization algorithm and long short-term memory | |
| CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
| CN115688579A (zh) | 一种基于生成对抗网络的流域多点水位预测预警方法 | |
| CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
| CN112163689A (zh) | 基于深度Attention-LSTM的短期负荷分位点概率预测方法 | |
| CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
| CN116451873B (zh) | 基于多尺度双时空网络区域风力发电功率预测方法及系统 | |
| CN116885691B (zh) | 一种风电功率爬坡事件间接预测方法 | |
| CN116843083A (zh) | 基于混合神经网络模型的碳排放预测系统及方法 | |
| CN111476402A (zh) | 耦合气象信息与emd技术的风电发电能力预测方法 | |
| CN115526376A (zh) | 多特征融合的生成对抗网络超短期风功率预测方法 | |
| CN115222098A (zh) | 一种基于分布式在线学习的短期电力负荷预测方法 | |
| CN112183814A (zh) | 一种短期风速预测方法 | |
| Li et al. | Deep intelligence-driven efficient forecasting for the agriculture economy of computational social systems | |
| Liu et al. | A hybrid deep learning model based on parallel architecture TCN-LSTM with Savitzky-Golay filter for wind power prediction | |
| CN110648183A (zh) | 基于灰色关联及qgnn的居民消费价格指数预测方法 | |
| CN116722548B (zh) | 一种基于时间序列模型的光伏发电预测方法及相关设备 | |
| CN116842855B (zh) | 分布式光伏配电网出力预测方法、装置、电子设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |